毕业设计（论文）-卡尔曼滤波对测量数据处理的程序实现方法精选.doc

第1章 绪 论 1.1 研究的目的 自从1960年卡尔曼滤波提出以来，它已成为控制，信号处理与通信等领域最基本最重要的计算方法和工具之一，并已成功的应用到航空，航天，工业过程及社会经济等不同领域，比如，人们感兴趣的是跟踪目标，但目标的位置、速度、加速度的测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息,设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估也可以是对于将来位置 2.1概 述 在测量、通信和控制等学科中，为了求得某些未知参数，常常要进行一系列的观测．由于(或称为噪声)． (1)为了确定平面或三维控制网中各点的坐标，对控制网的边长和方向(或坐标差)进行x，而包括边长和方向的观x之间有函数关系 表示误差向量．通过含有误差的观测向量L来求定待定点坐标的最佳估值，就是一 (2)通信理论中的一个重要问题是从接收到的信号中，提取被发送的信号设被发送的S(t)，而接收到的信号也就是信号的观测值L(t)，由于大气噪声和电路噪声 其中n(t)是噪声，t表示时间．通信中的主要问题就是从L(t)中将有用的信号S(t)分离出L(t)求定(t)的最佳估值．信号(t)也是一种未知参数． (3) 在实现生产过程的控制中，需要通过 (4)卫星(或其他运动体)的轨道往往可以由如下微分方程确定 f表示时间；x(t)表示卫星的轨道参数，在此处称为状态向量；U(t)为控制向量；力(t)L(t)，然后实时地由含有误差的观测值L(t)来估计卫星的轨道，即估计卫星的轨道 以上例中所述的信号或状态都可以说是一种未知参数．在测量平差中，通常称非随机的t变化的动态系统中的未知参数 一般说来，若设为t阶未知参数向量(简称为参数)，n阶观测向量(或称观测值)，n维误差(或噪声)向量．那么，所谓估计问题，就是根据含有误差的观测值L，构造一，使成为未知参数向量的最佳估计量，其具体数值称为最佳估值(以后一)．通常将简记为，并记 ；为的估计误差． 可以看到，当△；的数学期望等于零时，；的方差就等于；而当X为非随机量；也就等于其误差方差．在估计理论中，通常是用估计的误差方差来衡量其精度一般都是非随(平差值)的方差衡量精度． 在根据观测值L求未知参数x的估值时，总是希望所得到的估值是最优的．由估计 (1)一致性．由观测值得到的估值通常与其真值是不同的，我们希望当观测值个数n增加时，估计量变得更好些；当n无限增大时，估计量向被估计的参数趋近的概率等于1．即，有 (1-1-1) 则称估计量具有一致性；若有 (1-1-2) 则称此估计量是均方一致的．估计量的一致性是从它的极限性质来看的． (2)无偏性．若估计量的数学期望等于被估计量x的数学期望，即 (1-1-3) 如果丑是非随机量，上式即为 (1-1-4) 则称丘为无偏估计量．如果，则称为渐近无偏． (3)有效性．若由观测向量L得到无偏估计量的误差方差得到的任何其他无偏估计量的误差方差，即 或写为 (1-1-5) 则称是有效估计量，也称具有有效性或方差最小性． 以不同的准则来求定未知参数的最佳估值，可得到不同的估计方法．估计方法主要有极乘估计，极大验后估计，最小方差估计和线性最小方差估计等；经典的测量多维正态分布 正态分布是测量平差理论中最常用的误差分布，是最小二乘平差误差理论的基础．本节 2.2.1多维正态分布的定义和性质 已知随机变量X的正态分布概率密度为 (1-2-1) 式中两个参数和分别为随机变量X的数学期望和方差．当=1时，X为标准正，其概率密度为 (1-2-2) 设有m个互相独立的标准正态随机变量构成的随机它们的有限个线性函数 为n维正态随机向量．此时，X的数学期望和方差阵为 X的分布函数和概率密度都简称为n维(或n元)正态分布，简记为，或写为． 由互相独立的标准正态随机变量组成的随机向，可写为阶单位 多维正态分布具有以下性质： 正态随机向量的线性函数还是正态的例如设 (2)设，记 则